May, 2024

量子机器学习隐私优势的前景

PDF
TL;DR保证数据隐私在机器学习模型中至关重要，尤其是在分布式环境中，其中模型梯度通常在多个参与方之间共享，以实现协同学习。该研究揭示了基于量子机器学习模型的梯度中恢复输入数据的困难程度，并发现了动力学李代数在决定隐私漏洞方面的重要作用。研究结果显示，作为学习模型的变分量子电路的动力学李代数的某些特性可能导致隐私泄露，使得能够从输入数据的快照中训练用于不同学习任务的变分量子电路模型。此外，研究还探讨了从这些快照中恢复原始输入数据的条件，建立了与编码映射、动力学李代数基的重合度以及傅里叶频率特性等相关的条件，从而使得用于近似多项式时间恢复原始输入数据的经典或量子辅助方法成为可能。因此，该研究的发现对于指导设计平衡可训练性和强大隐私保护的量子机器学习模型的要求至关重要。
data privacymachine learning modelsdistributed settingsvariational quantum circuitsprivacy breach
发现论文，激发创造
  • 利用内在噪声进行量子机器学习隐私保护

    利用量子计算中的自然噪声保护量子机器学习模型的数据隐私，在不同次数运行量子电路可以实现目标隐私保护水平。

    Dec, 2023

  • 隐私保护的量子联邦学习通过梯度隐藏

    在分布式量子计算中，隐私保护一直是一个重要挑战，本文提出了两种基于量子状态的联邦学习协议，旨在优化隐私保护措施和通信效率，为高效的基于量子通信的联邦学习协议的发展以及安全的分布式量子机器学习做出了重要贡献。

    Dec, 2023

  • 表达丰富的变分量子电路在联邦学习中提供固有的隐私保护

    使用具有表达性编码映射和超参数化参量的变分量子电路模型引入了联邦学习，显示了表达性映射对抗梯度反演攻击具有内在隐私保护能力，而超参数化则确保了模型的可训练性。同时，通过数值扩展论证了攻击模型中表达性映射的欠参数化导致丢失地形被大量虚假局部极小点淹没，使得攻击难以成功，从而强有力地宣称量子机器学习模型的本质性质有助于防止联邦学习中的数据泄露。

    Sep, 2023

  • 量子机器学习的防御性加固

    探讨量子信息可以用于使量子分类器更安全或私密的若干方法，包括鲁棒主成分分析、量子 bagging 和 boosting 以及私有的 k-means 聚类。展示了量子技术在机器学习安全领域的作用，除了速度提升外，还可以为机器学习提供有用的优势。

    Nov, 2017

  • 差分隐私的联合量子机器学习

    我们提出了结合量子计算的隐私保护方法，在基于量子的人工智能系统中实现数据泄露和模型反演攻击的全面保护，取得了成功。

    Oct, 2023

  • 变分量子克隆：提高量子密码分析的实用性

    我们提出了一种基于量子机器学习的密码分析算法，名为变分量子复制（VQC），可用于获取短深度量子电路的最佳（近似）克隆策略，使密码分析者能够以低计算资源得到硬件有效量子电路，从而提高量子秘钥协商的安全性。

    Dec, 2020

  • 隐私与效用权衡的量子解决方案

    本研究提出了一种基于量子密码原理的全新架构，可用于对生成模型的成员推理攻击进行保障隐私和安全性，通过量子门和酉算子相结合相较于标准差分隐私技术，在保护安全性方面具有内在优势。

    Jul, 2023

  • 盲量子计算实现的量子联邦学习

    本文介绍了一种基于 Blind quantum computing 的量子协议，用于单方委派训练和多方私有分布式学习。该协议在差分隐私的保护下是安全的，并且在实验不完美的情况下具有鲁棒性和处理具有隐私保障的计算密集型分布式学习任务的潜力，为探索机器学习领域中的安全性量子优势提供了有价值的指导。

    Mar, 2021

  • 量子机器学习中信息论界限的量子优势

    本研究比较了传统机器学习和量子机器学习在物理实验结果预测方面的表现，发现虽然对于任何输入分布，使用经典机器学习模型可以实现平均准确预测，但是利用量子机器学习模型，可以在所有输入分布上达到指数级别的量子优势，此外，我们提出了一种仅需要 O (n) 个副本来预测 n 量子位系统的所有 Pauli 可观察量期望值的量子机器学习模型，为解决物理和化学领域的难题提供了新思路。

    Jan, 2021

  • 量子机器学习中的数据力量

    探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处，提出了一种用于评估量子学习任务潜在优势的方法，并提出了一种通过量子速度提高学习效率的量子机器学习模型。

    Nov, 2020